基于图神经网络的社交网络影响力预测算法

近十年来,通过社交网络（如微博、推特）分享信息已经成为人们日常生活中不可缺少的一个环节,如何有效地预测信息传播的影响力成为社交网络研究中的重要课题,不论是识别病毒式营销和虚假新闻还是精确推荐和在线广告都有许多应用.目前,一些应用深度学习进行社交网络影响力预测的方法已经取得了一定进展,但在进行深度学习时仍会面临以下难点：用户通常具有不同的行为和兴趣并且他们同时通过不同的渠道进行互动;用户之间的关系难以检测和形式化表达.传统的社交网络影响力预测方法通过设计复杂的规则来手动提取用户及其所处网络的特征信息,这一方法的有效性严重依赖于设置规则的专业性,所以很难将某一领域的规则推广到其他领域的应用中去.基于深度神经网络模型,设计一种端到端的神经网络来学习用户的隐藏特征信息以预测其社交网络影响力.首先通过图嵌入的方式对用户的局部网络进行特征提取,然后将特征向量作为输入对图神经网络进行训练,从而对用户的社会表征进行预测.该方法的创新之处：运用图卷积和图关注方法,将社交网络中用户的特征属性和其所处局域网络特征相结合,大大提高了模型预测的精度.通过在推特、微博、开放知识图谱等数据集上的大量实验,证明该方法...     

基于NS2的P2P网络模拟平台研究

目前模拟（Simulation）在Peer-to—Peer（P2P）系统的评估和分析中发挥着重要作用。很多研究者认为底层网络布局对P2P系统性能有较大的影响，但现有的模拟器多基于不考虑底层网络的简单模型。同时多数模拟器仅支持特定协议的较小规模模拟。上述缺陷导致使用现有模拟器进行模拟的实用性和真实性无法满足实验需求。为解决上述问题，一种基于NS2的通用的、可扩展的P2P模拟平台NDP2PSim得以提出。该平台可为各类P2P协议的模拟提供真实且通用的模拟环境，同时实现了P2P系统的一些通用功能并以模块形式提供以便于使用。介绍了该模拟平台的系统结构和实现细节，并模拟Freenet作为实例演示系统使用情况。